ATLAS가 측정한 ttγ 전산 및 미분 단면과 EFT 제한

초록

ATLAS는 13 TeV 양성자-양성자 충돌에서 140 fb⁻¹ 데이터를 이용해 tt̄γ(톱쌍과 광자) 생산의 전산 및 미분 단면을 측정하였다. 단일렙톤·다중렙톤 채널을 동시에 분석하고, 신경망 기반 분류기로 배경을 억제하였다. 측정된 전산 단면은 319 ± 15 fb이며, NLO 예측(296 fb)과 일치한다. 광자 p_T 분포를 이용해 SMEFT의 전기·자기쌍극자 연산자 CₜB, CₜW 등에 대한 제한을 설정하고, tt̄Z 측정과 결합해 더욱 강력한 제약을 얻었다.

상세 분석

본 연구는 LHC Run 2 전 구간(2015‑2018)에서 수집된 140 fb⁻¹의 ATLAS 데이터에 기반한다. tt̄γ 과정은 톱-광자 전기약한 결합을 직접 탐색할 수 있는 희귀 채널이며, 특히 초기 상태 복사와 톱 자체 복사 두 메커니즘을 구분한다는 점에서 물리적 의미가 크다. 분석은 단일렙톤(ℓ+jets)과 다중렙톤(ℓℓ) 두 가지 최종 상태를 동시에 고려했으며, 각각 최소 1개의 격리된 광자와 1(2)개의 격리된 전자·뮤온, 그리고 4(2)개의 재구성된 제트(그 중 최소 1개는 b‑tagged)를 요구한다. 광자와 레프톤·제트 사이의 ΔR>0.4 조건은 중복 객체를 방지하고, 배경인 가짜 광자(fakes)를 억제한다.

배경 추정은 크게 두 부류로 나뉜다. (1) 진짜 광자를 포함하는 tt̄γ(디케이)·W/Z·단일톱·다중보존·tt̄V 등은 전통적인 MC 시뮬레이션(MadGraph5_aMC@NLO+Pythia 8)으로 모델링하고, (2) 전자·제트가 광자로 오인되는 경우는 데이터‑드리븐 방법(ABCD 기법, Z→eγ/ee 제어 영역)으로 추정한다. 특히, 가짜 광자 추정에 사용된 ABCD 방법은 ΔR 및 전자/제트 식별 변수들을 독립적인 축으로 삼아 신뢰성을 확보하였다.

신경망(NN) 기반 분류기가 핵심적인 역할을 수행한다. 단일렙톤 채널에서는 4‑클래스 NN을 훈련시켜 신호 영역과 tt̄γ 디케이, 가짜 광자, 기타 배경을 각각 구분하였다. 다중렙톤 채널에서는 이진 NN을 사용해 신호와 전체 배경을 구분한다. 이러한 다변량 접근법은 전통적인 cut‑based 방법에 비해 신호 효율을 10‑15 % 정도 향상시키면서 배경 억제율을 유지한다.

전산 단면은 신호와 제어 영역에 대한 동시 프로파일‑우도 피팅을 통해 추출되었다. 결과는 σ(tt̄γ)=319 ± 4(stat) + 15₋₁₄(syst) fb이며, 전체 불확실성의 약 5 %가 통계, 4 %가 시스템atics에 기인한다. 시스템atics 중 가장 큰 비중을 차지하는 것은 tt̄γ 모델링(스케일·PDF 변동)과 b‑tag 효율, 광자 에너지 스케일이다. NLO 예측값 296 fb(스케일 + 29/‑30 fb, PDF + 6/‑4 fb)와의 차이는 1σ 이내로, 현재 이론적 불확실성 범위 내에서 일치한다는 점이 강조된다.

미분 단면은 광자 p_T, ΔR(γ,ℓ), ΔR(γ,b) 등 다섯 개 이상의 관측량에 대해 측정되었다. 특히 광자 p_T 스펙트럼은 고에너지 영역(>200 GeV)에서 통계적 한계가 있지만, SM 예측과 전반적으로 좋은 일치를 보인다. 시스템atics는 p_T가 높을수록 모델링 오차가 지배적이며, 저에너지 구간에서는 광자 식별 효율과 배경 추정이 주요 원인이다.

SMEFT 해석에서는 CₜB와 CₜW 두 전기·자기쌍극자 연산자를 중심으로 제한을 도출했다. 광자 p_T 미분 단면을 이용한 베이즈 포스트리어는 실수·허수 성분 각각에 대해 68 %·95 % 신뢰구간을 제공한다. tt̄Z 측정과의 동시 피팅을 수행함으로써 CₜZ·Cₜγ(회전된 기저)에서도 더욱 강력한 제한을 얻었다. 최종적으로 모든 제한은 SM(0)과 일치하며, 현재 데이터로는 새로운 물리 현상의 징후를 발견하지 못했다는 결론을 내렸다.

이 연구는 tt̄γ와 tt̄Z를 동시에 활용한 EFT 제한 전략을 선보였으며, 향후 LHC 고에너지·고강도 런에서 통계적 정밀도가 크게 향상될 경우, 전기·자기쌍극자 연산자에 대한 민감도가 현저히 증가할 것으로 기대된다.